KI-basierte Analyse der Körperzusammensetzung in Computertomographien vor Transarteriellem Aortenklappenersatz: Etablierung normativer Referenzwerte für prognostische Analysen
RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren · 01.04.2026 · 198 (S 01 S 01) · S40
DOI: 10.1055/s-0046-1817536 ↗Kurz gefasst
Fachartikel in der Zeitschrift RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, erschienen am 01.04.2026. Verfasst von F Melzer und 7 weiteren Autor:innen.
Abstract (Originalsprache)
Zielsetzung Durch künstliche Intelligenz gestützte Analysen der Körperzusammensetzung gewinnen zunehmend an Bedeutung als zeiteffektive prognostische bildgebende Biomarker. Für eine zuverlässige Interpretation und Risikostratifizierung sind jedoch kohortenspezifische Referenzwerte erforderlich. Ziel dieser Studie war die Etablierung normativer Werte für Skelettmuskelmasse, Muskeldichte und Fettgewebekompartimente bei Patient:innen, die sich einem transarteriellen Aortenklappenersatz (TAVI) unterziehen. Material und Methoden Für diese retrospektive monozentrische Studie wurden Patient:innen aus der lokal kardiologisch geführten HARbOR-Datenbank eingeschlossen, die aufgrund einer symptomatischen Aortenstenose zwischen 2019 und 2023 eine TAVI erhielten. Präprozedurale CT-Scans der gesamten Aorta wurden mit der KI-basierten Body and Organ Analysis (BOA)-Software ausgewertet. Quantifiziert wurden das 3D-Skelettmuskelvolumen, das Psoasvolumen, die autochthone Muskulatur sowie viszerales, subkutanes, intramuskuläres, perikardiales und epikardiales Fettgewebe. Die Analyse erfolgte auf 1-mm-Schichten unter Ausschluss der Extremitäten. Normbereiche wurden mittels deskriptiver Statistik bestimmt.
Ergebnisse
Es wurden Referenzwerte für n=1473 Patient:innen in sämtlichen Kompartimenten abgeleitet. Das mittlere Skelettmuskelvolumen betrug 8873 mL (SD 2241), das bilaterale Psoasvolumen 499 mL (SD 137) und die autochthone Muskulatur 958 mL (SD 219). Das viszerale Fettgewebe lag bei 4815 mL (SD 2539), das subkutane Fett bei 11380 mL (SD 5628) und das intramuskuläre Fett bei 3075 mL (SD 1137). Perikardiales und epikardiales Fett betrugen im Mittel 340 mL (SD 183) bzw. 125 mL (SD 60).
Schlussfolgerungen
Diese Studie liefert erstmals normative Referenzwerte für die KI-basierte CT-Körperzusammensetzungsanalyse bei TAVI-Patient:innen. Die Ergebnisse bilden die Grundlage für nachfolgende Studien zur Definition prognostischer Schwellenwerte und individuelle Risikostratifizierung. Geschlechtsspezifische Analysen und externe Validierungen sind erforderlich. Publication History Article published online: 22 April 2026 © 2026. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
Zitieren
APA
Melzer, F., Schubert, N., Hannen, L., Schüttler, S., Erley, J., Waldschmidt, L., Braren, R., & Molwitz, I. (2026). KI-basierte Analyse der Körperzusammensetzung in Computertomographien vor Transarteriellem Aortenklappenersatz: Etablierung normativer Referenzwerte für prognostische Analysen. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, 198(S 01 S 01), S40. https://doi.org/10.1055/s-0046-1817536
Vancouver
Melzer F, Schubert N, Hannen L, Schüttler S, Erley J, Waldschmidt L, et al. KI-basierte Analyse der Körperzusammensetzung in Computertomographien vor Transarteriellem Aortenklappenersatz: Etablierung normativer Referenzwerte für prognostische Analysen. RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren. 2026;198(S 01 S 01):S40. doi:10.1055/s-0046-1817536
BibTeX
@article{Melzer2026,
author = {Melzer, F and Schubert, N and Hannen, L and Schüttler, S and Erley, J and Waldschmidt, L and Braren, R and Molwitz, I},
title = {KI-basierte Analyse der Körperzusammensetzung in Computertomographien vor Transarteriellem Aortenklappenersatz: Etablierung normativer Referenzwerte für prognostische Analysen},
journal = {RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren},
year = {2026},
volume = {198},
number = {S 01 S 01},
pages = {S40},
doi = {10.1055/s-0046-1817536}
}
EUVIMED